CN112417273B - 区域画像图生成方法、装置、计算机设备及存储介质 - Google Patents

区域画像图生成方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN112417273B
CN112417273B CN202011288140.5A CN202011288140A CN112417273B CN 112417273 B CN112417273 B CN 112417273B CN 202011288140 A CN202011288140 A CN 202011288140A CN 112417273 B CN112417273 B CN 112417273B
Authority
CN
China
Prior art keywords
user
information
active
data
fault
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011288140.5A
Other languages
English (en)
Other versions
CN112417273A (zh
Inventor
陈婷婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011288140.5A priority Critical patent/CN112417273B/zh
Publication of CN112417273A publication Critical patent/CN112417273A/zh
Priority to PCT/CN2021/090114 priority patent/WO2022105111A1/zh
Application granted granted Critical
Publication of CN112417273B publication Critical patent/CN112417273B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Remote Sensing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及数据分析领域，本发明公开了一种区域画像图生成方法、装置、计算机设备及存储介质，所述方法包括：通过接收画像请求，获取画像请求中的区域信息、时间段信息和用户信息；自地图数据库中获取与区域信息匹配的区域地图，对区域地图进行网格化处理，得到标准方格区域地图；通过车圈活跃模型进行行车轨迹识别，得到用户活跃结果；根据用户基础信息和户活跃结果，确定活跃数据；通过反距离权重法，预测出活跃指标数据，同时根据标准方格区域地图和用户基础信息及用户维修日志信息，预测出故障指标数据；通过熵值法，对所有活跃指标数据和故障指标数据进行画像，得到区域画像图。本发明实现了快速地、准确地、科学地自动生成区域画像图。

Description

区域画像图生成方法、装置、计算机设备及存储介质
技术领域
本发明涉及大数据的数据分析领域，尤其涉及一种区域画像图生成方法、装置、计算机设备及存储介质。
背景技术
随着移动互联网发展，大数据逐渐成为区域经济发展的新引擎，在移动互联网的发展过程中，如何在极短时间内预测出某一区域内人群的构成、特征、变化趋势，从而对该区域做出客观的画像，进而利用该画像更加科学合理地满足用户需求，成为当前的迫切需求。目前，对于一些区域的用户，比如，作为车主的用户来说，尚不存在准确科学的对该区域的车主进行全景画像的方法，可以对该区域的车主行为偏好进行准确画像。
发明内容
本发明提供一种区域画像图生成方法、装置、计算机设备及存储介质，实现了通过反距离权重法和熵值法，快速地、准确地、科学地自动生成区域画像图，能够根据生成的区域画像图快速预测出需求分布，从而满足用户的消费需求。
一种区域画像图生成方法，包括：
接收画像请求，获取所述画像请求中的区域信息、时间段信息和用户信息；所述用户信息包括用户标识、用户基础信息、用户行车信息和用户维修日志信息；一个所述用户标识分别与一个所述用户基础信息、一个所述用户行车信息和一个所述用户维修日志信息关联；
自地图数据库中获取与所述区域信息匹配的区域地图，对所述区域地图进行网格化处理，得到标准方格区域地图；
将各与所述用户标识关联的所述用户行车信息输入车圈活跃模型中，通过所述车圈活跃模型对各所述用户行车信息进行行车轨迹识别，得到与各所述用户标识对应的用户活跃结果；
根据与所述用户标识关联的所述用户基础信息和与其对应的所述用户活跃结果，确定出与所述用户标识关联的活跃数据；
通过反距离权重法，根据所有与所述用户标识关联的所述活跃数据和所述标准方格区域地图，预测出所述标准方格区域地图中的各单元方格的活跃指标数据，同时根据所述标准方格区域地图和与各所述用户标识关联的所述用户基础信息及所述用户维修日志信息，预测出各所述单元方格的故障指标数据；
通过熵值法，对所有所述单元方格的活跃指标数据和故障指标数据进行画像，得到区域画像图；所述区域画像图表征了与所述区域信息对应的区域的用户画像分布图。
一种区域画像图生成装置，包括：
接收模块，用于接收画像请求，获取所述画像请求中的区域信息、时间段信息和用户信息；所述用户信息包括用户标识、用户基础信息、用户行车信息和用户维修日志信息；一个所述用户标识分别与一个所述用户基础信息、一个所述用户行车信息和一个所述用户维修日志信息关联；
获取模块，用于自地图数据库中获取与所述区域信息匹配的区域地图，对所述区域地图进行网格化处理，得到标准方格区域地图；
识别模块，用于将各与所述用户标识关联的所述用户行车信息输入车圈活跃模型中，通过所述车圈活跃模型对各所述用户行车信息进行行车轨迹识别，得到与各所述用户标识对应的用户活跃结果；
确定模块，用于根据与所述用户标识关联的所述用户基础信息和与其对应的所述用户活跃结果，确定出与所述用户标识关联的活跃数据；
预测模块，用于通过反距离权重法，根据所有与所述用户标识关联的所述活跃数据和所述标准方格区域地图，预测出所述标准方格区域地图中的各单元方格的活跃指标数据，同时根据所述标准方格区域地图和与各所述用户标识关联的所述用户基础信息及所述用户维修日志信息，预测出各所述单元方格的故障指标数据；
画像模块，用于通过熵值法，对所有所述单元方格的活跃指标数据和故障指标数据进行画像，得到区域画像图；所述区域画像图表征了与所述区域信息对应的区域的用户画像分布图。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述区域画像图生成方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述区域画像图生成方法的步骤。
本发明提供的区域画像图生成方法、装置、计算机设备及存储介质，通过接收画像请求，获取所述画像请求中的区域信息、时间段信息和用户信息；所述用户信息包括用户标识、用户基础信息、用户行车信息和用户维修日志信息；自地图数据库中获取与所述区域信息匹配的区域地图，对所述区域地图进行网格化处理，得到标准方格区域地图；将各与所述用户标识关联的所述用户行车信息输入车圈活跃模型中，通过所述车圈活跃模型进行行车轨迹识别，得到用户活跃结果；根据与所述用户标识关联的所述用户基础信息和与其对应的所述用户活跃结果，确定出与所述用户标识关联的活跃数据；通过反距离权重法，根据所有所述活跃数据和所述标准方格区域地图，预测出所述标准方格区域地图中的各单元方格的活跃指标数据，同时根据所述标准方格区域地图和与各所述用户标识关联的所述用户基础信息及所述用户维修日志信息，预测出各所述单元方格的故障指标数据；通过熵值法，对所有所述单元方格的活跃指标数据和故障指标数据进行画像，得到区域画像图，如此，实现了通过反距离权重法和熵值法，快速地、准确地、科学地自动生成区域画像图，能够根据区域画像图快速预测出需求分布，从而满足用户的消费需求，提高了识别的准确率和可靠性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中区域画像图生成方法的应用环境示意图；
图2是本发明一实施例中区域画像图生成方法的流程图；
图3是本发明一实施例中区域画像图生成方法的步骤S20的流程图；
图4是本发明一实施例中区域画像图生成方法的步骤S30的流程图；
图5是本发明一实施例中区域画像图生成方法的步骤S40的流程图；
图6是本发明一实施例中区域画像图生成方法的步骤S50的流程图；
图7是本发明另一实施例中区域画像图生成方法的步骤S50的流程图；
图8是本发明一实施例中区域画像图生成方法的步骤S60的流程图；
图9是本发明一实施例中区域画像图生成装置的原理框图；
图10是本发明一实施例中计算机设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供的区域画像图生成方法，可应用在如图1的应用环境中，其中，客户端(计算机设备)通过网络与服务器进行通信。其中，客户端(计算机设备)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种区域画像图生成方法，其技术方案主要包括以下步骤S10-S60：
S10，接收画像请求，获取所述画像请求中的区域信息、时间段信息和用户信息；所述用户信息包括用户标识、用户基础信息、用户行车信息和用户维修日志信息；一个所述用户标识分别与一个所述用户基础信息、一个所述用户行车信息和一个所述用户维修日志信息关联。
可理解地，在需要对某一区域的某一时间段的用户进行画像识别出该区域画像图时，触发所述画像请求，通过所述区域画像图能够识别出该区域的用户的画像分布情况，所述画像请求包括所述区域信息、所述时间段信息和所述用户信息，所述区域信息为需要进行区域画像的区域的信息，所述时间段信息为需要进行区域画像的时间段范围的信息，比如2020年5月、2020年1月至6月等等，所述用户信息为选取的用户的信息，所述用户信息可以通过获取数据库中符合所述区域信息和所述时间段信息的所有用户的信息，也可以为选取的特定用户且符合所述区域信息和所述时间段信息的信息，所述用户信息包括所述用户标识以及均与所述用户标识关联的所述用户基础信息、所述用户行车信息和所述用户维修日志信息，所述用户标识为赋予用户的唯一标识码，所述用户标识可以根据需求设定，比如用户的身份证、用户的注册账号、用户的车牌号等等，所述用户基础信息为与用户的基本特征相关的信息，比如用户的性别、年龄、职业、车型等等，所述用户行车信息为经过用户授权且通过与用户对应的客户端中的应用程序软件采集到的与用户对应的车辆的行车轨迹初始数据，所述用户维修日志信息为与用户对应的车辆进行维修的相关信息，比如：车辆发生故障或者事故的时间及地点坐标、车辆维修次数、每次车辆维修的事项等等。
S20，自地图数据库中获取与所述区域信息匹配的区域地图，对所述区域地图进行网格化处理，得到标准方格区域地图。
可理解地，所述区域地图为某一区域的地形图，所述地图数据库中存储了所有区域的区域地图，一个所述区域地图与一个区域名关联，从所述地图数据库中查找到与所述区域信息匹配的所述区域名关联的所述区域地图，所述网格化处理为以所述区域地图的东西边界作为长，南北边界作为宽，按照预设单元网格的参数，均分成各单元方格的处理过程，如此可以将地图划分成若干个单元方格，从而得到与所述区域地图对应的所述标准方格区域地图。
在一实施例中，如图3所示，所述步骤S20中，即所述对所述区域地图网格化处理，得到标准方格区域地图，包括：
S201，按照预设单元网格的参数，对所述区域地图进行网格划分，得到各所述单元方格。
可理解地，所述预设单元网格的参数可以根据需求设定，优选为100×100km，所述网格划分为按照所述预设单元网格对所述区域地图做最小单元的划分，得到所述区域地图下的各个所述单元方格，所述单元方格会被赋予一个顺序号，从1开始。
S202，根据各所述单元方格的坐标，确定与各所述单元方格对应的中心坐标。
可理解地，根据各个所述单元方格的四个点的经纬度坐标，可以计算出所述单元方格的中心点，以及与该中心点对应的中心坐标。
S203，根据与各所述单元方格对应的中心坐标，合并所有所述单元方格，得到所述标准方格区域地图。
可理解地，根据各所述单元方格的所述中心坐标的经纬度进行拼接，构成所述标准方格区域地图。
本发明实现了按照预设单元网格的参数，对所述区域地图进行网格划分，得到各所述单元方格；根据各所述单元方格的坐标，确定与各所述单元方格对应的中心坐标；根据与各所述单元方格对应的中心坐标，合并所有所述单元方格，得到所述标准方格区域地图，如此，将区域地图划分成含有若干个单元方格的标准房格区域地图，能够将该区域网格化，便于后续的指标分析和预测。
S30，将各与所述用户标识关联的所述用户行车信息输入车圈活跃模型中，通过所述车圈活跃模型对各所述用户行车信息进行行车轨迹识别，得到与各所述用户标识对应的用户活跃结果。
可理解地，所述车圈活跃模型实现了对与所述用户标识关联的所述用户行车信息进行行车轨迹识别，得到行车轨迹数据，再通过活跃场所识别，自动识别出用户活跃结果的模型，所述行车轨迹识别为通过所述车圈活跃模型对与所述用户标识对应的所述用户行车信息中的GPS信令数据进行经纬度解析，通过停留与相同经纬度公差范围内的时间段以及经纬度随时间变化而变化的轨迹识别出与各所述用户标识对应的行车轨迹数据，如此可以识别出与一个所述用户标识对应的居住源数据、工作源数据和活动数据，所述活跃场所识别为通过所述车圈活跃模型提取所述行车轨迹数据中的场所特征，识别出与所述用户标识对应的各个场所，以及与各个场所对应的坐标，将各个场所和与各个场所对应的坐标确定为所述用户活跃结果。
其中，所述用户活跃结果表明了用户活跃的场所，并对活跃的场所进行定义和坐标确定。
在一实施例中，如图4所示，所述步骤S30中，即所述通过所述车圈活跃模型对各所述用户行车信息进行行车轨迹识别，得到与各所述用户标识对应的用户活跃结果，包括：
S301，通过所述车圈活跃模型对与所述用户标识对应的所述用户行车信息中的GPS信令数据进行经纬度解析，识别出与各所述用户标识对应的行车轨迹数据。
可理解地，所述GPS信令数据为得到用户授权的用户的定位数据，所述定位数据为用户在每个时间点的经纬度数据，所述经纬度解析为通过停留与相同经纬度公差范围内的时间段以及经纬度随时间变化而变化的轨迹识别出与各所述用户标识对应的行车轨迹数据。
S302，通过所述车圈活跃模型对所有所述行车轨迹数据进行活跃场所识别，得到与所述用户标识对应的各场所的坐标结果。
可理解地，所述活跃场所识别为通过所述车圈活跃模型提取所述行车轨迹数据中的场所特征，识别出与所述用户标识对应的各个场所，以及与各个场所对应的坐标，将各个场所和与各个场所对应的坐标确定为所述用户活跃结果。
S303，将与所述用户标识对应的各场所的坐标结果确定为与所述用户标识对应的所述用户活跃结果。
本发明实现了通过所述车圈活跃模型对与所述用户标识对应的所述用户行车信息中的GPS信令数据进行经纬度解析，识别出与各所述用户标识对应的行车轨迹数据；通过所述车圈活跃模型对所有所述行车轨迹数据进行活跃场所识别，得到与所述用户标识对应的各场所的坐标结果；将与所述用户标识对应的各场所的坐标结果确定为与所述用户标识对应的所述用户活跃结果，如此，实现了通过经纬度解析和识别，以及活跃场所识别，能够准确地、快速地识别出用户在各个场所的用户活跃结果，能够为后续生成区域画像图提供了数据依据，提高了识别的准确率和质量。
S40，根据与所述用户标识关联的所述用户基础信息和与其对应的所述用户活跃结果，确定出与所述用户标识关联的活跃数据。
可理解地，通过NLP(自然语言处理，Natural Language Processing)技术，所述NLP技术为以一种将自然语言转换成计算机语言进行分析，理解和从文本中提取信息等重要的过程，比如自动摘要，机器翻译，命名实体识别，关系提取，语音识别和主题分割等，从与所述用户标识关联的所述用户基础信息中识别出居住信息、工作信息和喜好信息，对识别出的所述居住信息、所述工作信息和所述喜好信息进行标准化处理，所述标准化处理为将识别的信息进行合并文本，并对文本转换成词向量，再根据转换的词向量进行同一维度的标准进行转换处理，从而得到与所述居住信息对应的居住源数据、与所述工作信息对应的工作源数据和与所述喜好信息对应的喜好源数据。
其中，所述用户活跃结果包括与所述用户标识对应的居住场所结果、工作场所结果和活动场所结果，根据居住加权参数，对所述居住源数据和居住场所结果进行居住加权处理，得到与所述用户标识关联的居住加工数据；根据工作加权参数，对所述工作源数据和工作场所结果进行工作加权处理，得到与所述用户标识关联的工作加工数据，根据喜好加权参数，对所述喜好源数据和活动场所结果进行喜好加权处理，得到与所述用户标识关联的活动加工数据，所述活跃数据。
在一实施例中，如图5所示，所述步骤S40中，即所述根据与所述用户标识关联的所述用户基础信息和对应的所述用户活跃结果，确定出与所述用户标识关联的活跃数据，包括：
S401，从与所述用户标识关联的所述用户基础信息中识别出居住信息、工作信息和喜好信息。
可理解地，通过所述NLP技术，从与所述用户标识关联的所述用户基础信息中进行命名实体识别，得到所述居住信息、所述工作信息和所述喜好信息，即从所述用户基础信息中识别与居住相关的实体，从而确定出所述居住信息，比如家庭成员信息，从所述用户基础信息中识别与工作相关的实体，从而确定出所述工作信息，比如工薪阶级为白领、蓝领或自由职业等信息，从所述用户基础信息中识别与喜好相关的实体，从而确定出所述喜好信息，比如钓鱼、爬山等个人喜好相关的信息。
S402，对所述居住信息、所述工作信息和所述喜好信息进行标准化处理，得到与所述居住信息对应的居住源数据、与所述工作信息对应的工作源数据和与所述喜好信息对应的喜好源数据。
可理解地，所述标准化处理为将识别的信息进行合并文本，并对文本转换成词向量，再根据转换的词向量进行同一维度的标准进行转换处理，从而得到与所述居住信息对应的居住源数据、与所述工作信息对应的工作源数据和与所述喜好信息对应的喜好源数据。
S403，根据所述居住源数据和居住场所结果，确定出与所述用户标识关联的居住加工数据，根据所述工作源数据和工作场所结果，确定出与所述用户标识关联的工作加工数据，根据所述喜好源数据和活动场所结果，确定出与所述用户标识关联的活动加工数据；其中，所述用户活跃结果包括与所述用户标识对应的居住场所结果、工作场所结果和活动场所结果。
可理解地，运用居住评分算法，所述居住评分算法按照所述居住源数据所属的等级进行评分的算法，对所述居住源数据和所述居住场所结果进行评分，得到与所述用户标识关联的所述居住加工数据，所述居住加工数据包括居住评分值及与其关联的居住场所的坐标；运用工作评分算法，所述工作评分算法按照所述工作源数据所属的等级进行评分的算法，对所述工作源数据和所述工作场所结果进行评分，得到与所述用户标识关联的所述工作加工数据，所述工作加工数据包括工作评分值及与其关联的工作场所的坐标，运用喜好评分算法，所述喜好评分算法按照所述喜好源数据所包含的内容进行评分的算法，对所述喜好源数据和所述活动场所结果进行评分，得到与所述用户标识关联的所述活动加工数据，所述活动加工数据包括活动评分值及与其关联的活动场所的坐标。
其中，所述用户活跃结果包括与所述用户标识对应的居住场所结果、工作场所结果和活动场所结果。
S404，将与所述用户标识关联的所述居住加工数据、所述工作加工数据和所述活动加工数据确定为与所述用户标识关联的所述活跃数据。
本发明实现了通过从与所述用户标识关联的所述用户基础信息中识别出居住信息、工作信息和喜好信息；对所述居住信息、所述工作信息和所述喜好信息进行标准化处理，得到与所述居住信息对应的居住源数据、与所述工作信息对应的工作源数据和与所述喜好信息对应的喜好源数据；根据所述居住源数据和居住场所结果，确定出与所述用户标识关联的居住加工数据，根据所述工作源数据和工作场所结果，确定出与所述用户标识关联的工作加工数据，根据所述喜好源数据和活动场所结果，确定出与所述用户标识关联的活动加工数据，从而确定出所述活跃数据，如此，实现了通过用户基础信息中自动识别出居住信息、工作信息和喜好信息，并进行标准化处理，以及结合居住场所结果、工作场所结果和活动场所结果，准确地衡量出用户的活跃数据，提供了用户各个场所的活跃数据。
S50，通过反距离权重法，根据所有与所述用户标识关联的所述活跃数据和所述标准方格区域地图，预测出所述标准方格区域地图中的各单元方格的活跃指标数据，同时根据所述标准方格区域地图和与各所述用户标识关联的所述用户基础信息及所述用户维修日志信息，预测出各所述单元方格的故障指标数据。
可理解地，通过所述反距离权重法，在所述标准方格区域地图上标记所有所述活跃数据，预测出各所述单元方格的所述活跃指标数据，同时根据所有所述用户基础信息和所有用户维修日志信息中的故障维修记录，确定出与各所述故障坐标关联的故障评分值，通过反距离权重法，在所述标准方格区域地图上标记所有所述故障坐标，并预测出各所述单元方格的所述故障指标数据。
其中，所述反距离权重法(IDW)是一个快速精确的确定性插值器，在实际应用中，基于相近相似的原理(两个物体离得近，性质就越相似)，所述反距离权重法以插值点与样本点间的距离为权重进行加权平均，离插值点越近的样本点赋予的权重越大，所述活跃指标数据的计算公式为：
Figure BDA0002783027190000131
其中，Z(s0)为单元方格的中心坐标(s0)的活跃指标数据；N为中心坐标周围用户的数量；Z(Si)为在该单元方格内且在所述活跃数据中的用户的评分值；Si为在单元方格内且在所述活跃数据中的用户，即该单元方格的用户样点；λi为各用户样点的权重，该值随用户样点(Si)和单元方格的中心坐标(s0)之间距离的增加而减少；各样点的权重λi为：
Figure BDA0002783027190000132
其中，p为预设的用户指数值，优选为2；di0为中心坐标(S0)与用户样点(Si)之间的距离；一个单元方格内的所有用户样点的权重之和为1，即
Figure BDA0002783027190000133
所述故障指标数据的计算公式为：
Figure BDA0002783027190000141
其中，Y(s0)为单元方格的中心坐标(s0)的故障指标数据；n为中心坐标周围故障坐标的数量；Y(Tk)为在单元方格内的所述故障坐标数据的故障评分值；Tk为在单元方格内的各故障坐标；βk为故障坐标的权重，该值随故障坐标(Tk)和单元方格的中心坐标(s0)之间距离的增加而减少；各故障坐标的权重βk为：
Figure BDA0002783027190000142
其中，q为预设的坐标指数值，优选为2；Dk0为中心坐标(s0)与已知样点(Tk)之间的距离；一个单元方格内的所有坐标样点的权重之和为1，即
Figure BDA0002783027190000143
在一实施例中，如图6所示，所述步骤S50中，即所述通过反距离权重法，根据所有所述活跃指标数据和所述标准方格区域地图，预测出所述标准方格区域地图中的各单元方格的活跃指标数据，包括：
S501，将所述标准方格区域地图中标记出所述活跃数据对应的坐标。
可理解地，在所述标准方格区域地图中标记所述活跃数据中的所有所述居住场所的坐标、所有所述工作场所的坐标和所有所述活动场所的坐标。
S502，通过反距离权重法，对所有所述活跃数据中的所述居住加工数据进行预测，得到各单元方格的居住指标值；对所有所述活跃数据中的所述工作加工数据进行预测，得到各单元方格的工作指标值；对所有所述活跃数据中的所述活动加工数据进行预测，得到各单元方格的活动指标值。
可理解地，通过所述反距离权重法，将所有所述活跃数据中所述居住加工数据输入活跃指标数据的计算公式中，通过所述居住加工数据中的居住评分值计算出各单元方格的所述居住指标值；通过所述反距离权重法，将所有所述活跃数据中所述工作加工数据输入活跃指标数据的计算公式中，通过所述工作加工数据中的工作评分值计算出各单元方格的所述工作指标值；通过所述反距离权重法，将所有所述活跃数据中所述活动加工数据输入活跃指标数据的计算公式中，通过所述活动加工数据中的活动评分值计算出各单元方格的所述活动指标值。
S503，将所述各单元方格的所述居住指标值、所述工作指标值和所述活动指标值确定为所述活跃指标数据。
本发明实现了通过将所述标准方格区域地图中标记出所述活跃数据对应的坐标；通过反距离权重法，预测出各单元方格的居住指标值、工作指标值和活动指标值；从而确定给出所述活跃指标数据，如此，实现了通过反距离权重法，能够准确地对各单元方格插入各个指标值，能够科学地、客观地衡量出各单元方格的活跃指标数据。
在一实施例中，如图7所示，所述步骤S50中，即所述根据所述标准方格区域地图和与各所述用户标识关联的所述用户基础信息及所述用户维修日志信息，预测出各所述单元方格的故障指标数据，包括：
S504，从与所述用户标识关联的所述用户维修日志信息中的所有故障地点中识别出与所述故障地点一一对应的故障坐标；所述用户维修日志信息包括所述故障地点以及均与所述故障地点对应的故障维修记录。
可理解地，所述用户维修日志信息包括所述故障地点以及均与所述故障地点对应的故障维修记录，所述故障地点为发生故障的位置，与其有一一对应的所述故障坐标，所述故障坐标为根据所述故障地点确定给出的经纬度坐标，所述故障维修记录为车辆维修次数和每次车辆维修的事项。
S505，根据与所述用户标识关联的所述用户基础信息和与所述故障地点对应的所述故障维修记录，确定出与所述故障地点对应的所述故障坐标关联的故障评分值。
可理解地，从所述用户基础信息中识别出故障关联数据，所述故障关联数据为与故障存在一定风险的数据，比如工作职位、工作性质等，通过所述故障关联数据可以挖掘出与故障存在一定潜在关系的实体，结合所述故障关联数据和所述故障维修记录，运用故障评分算法，对各所述故障地点进行评分，得到与其关联的所述故障评分值，所述故障评分算法为对所述故障关联数据进行编码，然后根据编码的值与各所述故障维修记录的等级进行评分的算法。
S506，通过反距离权重法，根据所述标准方格区域地图和所有所述故障评分值，预测出各所述单元方格的所述故障指标数据。
可理解地，运用所述反距离权重法，在所述标准方格区域地图中的各所述单元方格中将所有所述故障评分值输入所述故障指标数据的计算公式中，预测出与所述单元方格对应的所述故障指标数据，并且在所述标准方格区域地图中的各所述单元方格中进行标记。
本发明实现了通过从与所述用户标识关联的所述用户维修日志信息中的所有故障地点中识别出与所述故障地点一一对应的故障坐标；根据与所述用户标识关联的所述用户基础信息和与所述故障地点对应的所述故障维修记录，确定出与所述故障地点对应的所述故障坐标关联的故障评分值；通过反距离权重法，根据所述标准方格区域地图和所有所述故障评分值，预测出各所述单元方格的所述故障指标数据，如此，能够自动识别出故障坐标，并通过反距离权重法自动预测出各个单元方格的故障指标数据。
S60，通过熵值法，对所有所述单元方格的活跃指标数据和故障指标数据进行画像，得到区域画像图；所述区域画像图表征了与所述区域信息对应的区域的用户画像分布图。
可理解地，所述熵值法是一种客观赋权的方法，根据各指标的联系程度以及各指标所提供的信息量来决定指标的权重，所述熵值法通过指标熵值和指标熵权计算出各个所述单元方格的最终画像指标值，根据所有与所述最终画像指标值对应的所述单元方格，映射至所述区域地图中，得到所述区域画像图，获取到与所述画像请求对应的所述区域画像图之后，从所述区域画像图中识别出与各单元方格对应区域的画像值中进行区段划分，对划分后的区段进行不同颜色的标记，根据不同区段，预测出与其对应的汽车美容、汽车保养、汽车洗车服务的设置数，从而可以科学的预测出各个区域的汽车消费需求，如此，满足了用户在汽车消费上的需求，提高了识别的准确率和可靠性。
其中，所述指标熵值的计算公式为：
Figure BDA0002783027190000171
其中，Hvj为与第1个单元方格中第2序号对应的指标熵值；m为所有所述单元方格的总数；M为所述单元方格中指标数据的总数；v为所述标准方格区域地图中的单元方格的顺序号；j为单元方格中指标数据的序号(比如1为活跃指标数据，2为故障指标数据)；xvj为与第v个单元方格且第j序号对应的指标系数，所述指标系数为：
Figure BDA0002783027190000181
其中，Lvj为与第v个单元方格且第j序号对应的指标数据，比如L11为第1个单元方格中第1序号的指标数据(活跃指标数据)，L12为与第1个单元方格中第2序号对应的指标数据(故障指标数据)。
所述指标熵权的计算公式为：
Figure BDA0002783027190000182
其中，wvj为与第v个单元方格且第j序号对应的指标熵权。
所述最终画像指标值的计算公式为：
Figure BDA0002783027190000183
其中，Av为与第v个单元方格对应的最终画像指标值。
本发明实现了通过接收画像请求，获取所述画像请求中的区域信息、时间段信息和用户信息；所述用户信息包括用户标识、用户基础信息、用户行车信息和用户维修日志信息；一个所述用户标识分别与一个所述用户基础信息、一个所述用户行车信息和一个所述用户维修日志信息关联；自地图数据库中获取与所述区域信息匹配的区域地图，对所述区域地图进行网格化处理，得到标准方格区域地图；将各与所述用户标识关联的所述用户行车信息输入车圈活跃模型中，通过所述车圈活跃模型对各所述用户行车信息进行行车轨迹识别，得到与各所述用户标识对应的用户活跃结果；根据与所述用户标识关联的所述用户基础信息和与其对应的所述用户活跃结果，确定出与所述用户标识关联的活跃数据；通过反距离权重法，根据所有与所述用户标识关联的所述活跃数据和所述标准方格区域地图，预测出所述标准方格区域地图中的各单元方格的活跃指标数据，同时根据所述标准方格区域地图和与各所述用户标识关联的所述用户基础信息及所述用户维修日志信息，预测出各所述单元方格的故障指标数据；通过熵值法，对所有所述单元方格的活跃指标数据和故障指标数据进行画像，得到区域画像图。
如此，实现了通过接收画像请求，获取所述画像请求中的区域信息、时间段信息和用户信息；所述用户信息包括用户标识、用户基础信息、用户行车信息和用户维修日志信息；自地图数据库中获取与所述区域信息匹配的区域地图，对所述区域地图进行网格化处理，得到标准方格区域地图；将各与所述用户标识关联的所述用户行车信息输入车圈活跃模型中，通过所述车圈活跃模型进行行车轨迹识别，得到用户活跃结果；根据与所述用户标识关联的所述用户基础信息和与其对应的所述用户活跃结果，确定出与所述用户标识关联的活跃数据；通过反距离权重法，根据所有所述活跃数据和所述标准方格区域地图，预测出所述标准方格区域地图中的各单元方格的活跃指标数据，同时根据所述标准方格区域地图和与各所述用户标识关联的所述用户基础信息及所述用户维修日志信息，预测出各所述单元方格的故障指标数据；通过熵值法，对所有所述单元方格的活跃指标数据和故障指标数据进行画像，得到区域画像图，如此，实现了通过反距离权重法和熵值法，快速地、准确地、科学地自动生成区域画像图，能够根据区域画像图快速预测出需求分布，从而满足用户的消费需求，提高了识别的准确率和可靠性。
在一实施例中，如图8所示，所述步骤S60中，即所述通过熵值法，对所有所述单元方格的活跃指标数据和故障指标数据进行画像，得到区域画像图，包括：
S601，通过所述熵值法，根据所有所述单元方格的活跃指标数据和故障指标数据，计算出与各画像指标对应的指标熵值和指标熵权。
可理解地，通过所述熵值法，将所有所述单元方格的所述活跃指标数据和所述故障指标数据输入所述指标熵值的计算公式和所述指标熵权的计算公式中，从而得到各个所述画像指标的指标熵值和指标熵权，所述画像指标指进行画像的指标维度，所述画像指标包括与所述活跃指标数据对应的活跃指标和与所述故障指标数据对应的故障指标。
S602，根据所有所述指标熵值和所述指标熵权，确定出各所述单元方格的最终画像指标值。
可理解地，将所有所述指标熵值和所述指标熵权输入所述最终画像指标值的计算公式中，计算出各所述单元方格的所述最终画像指标值。
S603，将各所述单元方格的所述最终画像指标值一一映射至所述区域地图中，得到所述区域画像图。
可理解地，将各所述单元方格的所述最终画像指标值根据与其对应的单元方格的顺序号一一映射至所述区域地图中，从而将映射完的所述区域地图确定为所述区域画像图。
本发明实现了通过所述熵值法，根据所有所述单元方格的活跃指标数据和故障指标数据，计算出与各画像指标对应的指标熵值和指标熵权；根据所有所述指标熵值和所述指标熵权，确定出各所述单元方格的最终画像指标值；将各所述单元方格的所述最终画像指标值一一映射至所述区域地图中，得到所述区域画像图，如此，通过熵值法，能够科学地、准确地衡量出各个单元方格的最终画像指标值，并映射至区域地图中，从而得到区域画像图，快速地、准确地、科学地自动生成区域画像图，能够根据区域画像图快速预测出需求分布，从而满足用户的消费需求，提高了识别的准确率和可靠性。在一实施例中，提供一种区域画像图生成装置，该区域画像图生成装置与上述实施例中区域画像图生成方法一一对应。如图9所示，该区域画像图生成装置包括接收模块11、获取模块12、识别模块13、确定模块14、预测模块15和画像模块16。各功能模块详细说明如下：
接收模块11，用于接收画像请求，获取所述画像请求中的区域信息、时间段信息和用户信息；所述用户信息包括用户标识、用户基础信息、用户行车信息和用户维修日志信息；一个所述用户标识分别与一个所述用户基础信息、一个所述用户行车信息和一个所述用户维修日志信息关联；
获取模块12，用于自地图数据库中获取与所述区域信息匹配的区域地图，对所述区域地图进行网格化处理，得到标准方格区域地图；
识别模块13，用于将各与所述用户标识关联的所述用户行车信息输入车圈活跃模型中，通过所述车圈活跃模型对各所述用户行车信息进行行车轨迹识别，得到与各所述用户标识对应的用户活跃结果；
确定模块14，用于根据与所述用户标识关联的所述用户基础信息和与其对应的所述用户活跃结果，确定出与所述用户标识关联的活跃数据；
预测模块15，用于通过反距离权重法，根据所有与所述用户标识关联的所述活跃数据和所述标准方格区域地图，预测出所述标准方格区域地图中的各单元方格的活跃指标数据，同时根据所述标准方格区域地图和与各所述用户标识关联的所述用户基础信息及所述用户维修日志信息，预测出各所述单元方格的故障指标数据；
画像模块16，用于通过熵值法，对所有所述单元方格的活跃指标数据和故障指标数据进行画像，得到区域画像图；所述区域画像图表征了与所述区域信息对应的区域的用户画像分布图。
关于区域画像图生成装置的具体限定可以参见上文中对于区域画像图生成方法的限定，在此不再赘述。上述区域画像图生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种区域画像图生成方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中区域画像图生成方法。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中区域画像图生成方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种区域画像图生成方法，其特征在于，包括：
接收画像请求，获取所述画像请求中的区域信息、时间段信息和用户信息；所述用户信息包括用户标识、用户基础信息、用户行车信息和用户维修日志信息；一个所述用户标识分别与一个所述用户基础信息、一个所述用户行车信息和一个所述用户维修日志信息关联；
自地图数据库中获取与所述区域信息匹配的区域地图，对所述区域地图进行网格化处理，得到标准方格区域地图；
将各与所述用户标识关联的所述用户行车信息输入车圈活跃模型中，通过所述车圈活跃模型对各所述用户行车信息进行行车轨迹识别，得到与各所述用户标识对应的用户活跃结果；
根据与所述用户标识关联的所述用户基础信息和与其对应的所述用户活跃结果，确定出与所述用户标识关联的活跃数据；
通过反距离权重法，根据所有与所述用户标识关联的所述活跃数据和所述标准方格区域地图，预测出所述标准方格区域地图中的各单元方格的活跃指标数据，同时根据所述标准方格区域地图和与各所述用户标识关联的所述用户基础信息及所述用户维修日志信息，预测出各所述单元方格的故障指标数据；
通过熵值法，对所有所述单元方格的活跃指标数据和故障指标数据进行画像，得到区域画像图；所述区域画像图表征了与所述区域信息对应的区域的用户画像分布图。
2.如权利要求1所述的区域画像图生成方法，其特征在于，所述对所述区域地图网格化处理，得到标准方格区域地图，包括：
按照预设单元网格的参数，对所述区域地图进行网格划分，得到各所述单元方格；
根据各所述单元方格的坐标，确定与各所述单元方格对应的中心坐标；
根据与各所述单元方格对应的中心坐标，合并所有所述单元方格，得到所述标准方格区域地图。
3.如权利要求1所述的区域画像图生成方法，其特征在于，所述通过所述车圈活跃模型对各所述用户行车信息进行行车轨迹识别，得到与各所述用户标识对应的用户活跃结果，包括：
通过所述车圈活跃模型对与所述用户标识对应的所述用户行车信息中的GPS信令数据进行经纬度解析，识别出与各所述用户标识对应的行车轨迹数据；
通过所述车圈活跃模型对所有所述行车轨迹数据进行活跃场所识别，得到与所述用户标识对应的各场所的坐标结果；
将与所述用户标识对应的各场所的坐标结果确定为与所述用户标识对应的所述用户活跃结果。
4.如权利要求1所述的区域画像图生成方法，其特征在于，所述根据与所述用户标识关联的所述用户基础信息和对应的所述用户活跃结果，确定出与所述用户标识关联的活跃数据，包括：
从与所述用户标识关联的所述用户基础信息中识别出居住信息、工作信息和喜好信息；
对所述居住信息、所述工作信息和所述喜好信息进行标准化处理，得到与所述居住信息对应的居住源数据、与所述工作信息对应的工作源数据和与所述喜好信息对应的喜好源数据；
根据所述居住源数据和居住场所结果，确定出与所述用户标识关联的居住加工数据，根据所述工作源数据和工作场所结果，确定出与所述用户标识关联的工作加工数据，根据所述喜好源数据和活动场所结果，确定出与所述用户标识关联的活动加工数据；其中，所述用户活跃结果包括与所述用户标识对应的居住场所结果、工作场所结果和活动场所结果；
将与所述用户标识关联的所述居住加工数据、所述工作加工数据和所述活动加工数据确定为与所述用户标识关联的所述活跃数据。
5.如权利要求4所述的区域画像图生成方法，其特征在于，所述通过反距离权重法，根据所有与所述用户标识关联的所述活跃数据和所述标准方格区域地图，预测出所述标准方格区域地图中的各单元方格的活跃指标数据，包括：
将所述标准方格区域地图中标记出与所述活跃数据对应的坐标；
通过反距离权重法，对所有所述活跃数据中的所述居住加工数据进行预测，得到各单元方格的居住指标值；对所有所述活跃数据中的所述工作加工数据进行预测，得到各单元方格的工作指标值；对所有所述活跃数据中的所述活动加工数据进行预测，得到各单元方格的活动指标值；
将所述各单元方格的所述居住指标值、所述工作指标值和所述活动指标值确定为所述活跃指标数据。
6.如权利要求1所述的区域画像图生成方法，其特征在于，所述根据所述标准方格区域地图和与各所述用户标识关联的所述用户基础信息及所述用户维修日志信息，预测出各所述单元方格的故障指标数据，包括：
从与所述用户标识关联的所述用户维修日志信息中的所有故障地点中识别出与所述故障地点一一对应的故障坐标；所述用户维修日志信息包括所述故障地点以及均与所述故障地点对应的故障维修记录；
根据与所述用户标识关联的所述用户基础信息和与所述故障地点对应的所述故障维修记录，确定出与所述故障地点对应的所述故障坐标关联的故障评分值；
通过反距离权重法，根据所述标准方格区域地图和所有所述故障评分值，预测出各所述单元方格的所述故障指标数据。
7.如权利要求1所述的区域画像图生成方法，其特征在于，所述通过熵值法，对所有所述单元方格的活跃指标数据和故障指标数据进行画像，得到区域画像图，包括：
通过所述熵值法，根据所有所述单元方格的活跃指标数据和故障指标数据，计算出与各画像指标对应的指标熵值和指标熵权；
根据所有所述指标熵值和所述指标熵权，确定出各所述单元方格的最终画像指标值；
将各所述单元方格的所述最终画像指标值一一映射至所述区域地图中，得到所述区域画像图。
8.一种区域画像图生成装置，其特征在于，包括：
接收模块，用于接收画像请求，获取所述画像请求中的区域信息、时间段信息和用户信息；所述用户信息包括用户标识、用户基础信息、用户行车信息和用户维修日志信息；一个所述用户标识分别与一个所述用户基础信息、一个所述用户行车信息和一个所述用户维修日志信息关联；
获取模块，用于自地图数据库中获取与所述区域信息匹配的区域地图，对所述区域地图进行网格化处理，得到标准方格区域地图；
识别模块，用于将各与所述用户标识关联的所述用户行车信息输入车圈活跃模型中，通过所述车圈活跃模型对各所述用户行车信息进行行车轨迹识别，得到与各所述用户标识对应的用户活跃结果；
确定模块，用于根据与所述用户标识关联的所述用户基础信息和与其对应的所述用户活跃结果，确定出与所述用户标识关联的活跃数据；
预测模块，用于通过反距离权重法，根据所有与所述用户标识关联的所述活跃数据和所述标准方格区域地图，预测出所述标准方格区域地图中的各单元方格的活跃指标数据，同时根据所述标准方格区域地图和与各所述用户标识关联的所述用户基础信息及所述用户维修日志信息，预测出各所述单元方格的故障指标数据；
画像模块，用于通过熵值法，对所有所述单元方格的活跃指标数据和故障指标数据进行画像，得到区域画像图；所述区域画像图表征了与所述区域信息对应的区域的用户画像分布图。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述区域画像图生成方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述区域画像图生成方法。
CN202011288140.5A 2020-11-17 2020-11-17 区域画像图生成方法、装置、计算机设备及存储介质 Active CN112417273B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011288140.5A CN112417273B (zh) 2020-11-17 2020-11-17 区域画像图生成方法、装置、计算机设备及存储介质
PCT/CN2021/090114 WO2022105111A1 (zh) 2020-11-17 2021-04-27 区域画像图生成方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011288140.5A CN112417273B (zh) 2020-11-17 2020-11-17 区域画像图生成方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN112417273A CN112417273A (zh) 2021-02-26
CN112417273B true CN112417273B (zh) 2022-04-19

Family

ID=74832535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011288140.5A Active CN112417273B (zh) 2020-11-17 2020-11-17 区域画像图生成方法、装置、计算机设备及存储介质

Country Status (2)

Country Link
CN (1) CN112417273B (zh)
WO (1) WO2022105111A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112417273B (zh) * 2020-11-17 2022-04-19 平安科技（深圳）有限公司 区域画像图生成方法、装置、计算机设备及存储介质
CN113157817B (zh) * 2021-03-15 2024-05-10 平安科技（深圳）有限公司 区分驾驶员的方法、装置和计算机设备
CN113836661B (zh) * 2021-09-24 2024-02-20 北京百度网讯科技有限公司 时间预测方法、模型训练方法、相关装置及电子设备
CN114296498A (zh) * 2021-12-31 2022-04-08 中国工商银行股份有限公司 网点机房的监控系统和方法
CN115134407B (zh) * 2022-06-27 2024-04-26 平安银行股份有限公司 活跃区域确定方法、装置、计算机设备及存储介质
CN115408573A (zh) * 2022-10-31 2022-11-29 北京大数据先进技术研究院 装备领域综合画像生成方法、装置、设备、介质和产品
CN115470872B (zh) * 2022-11-14 2023-04-18 武汉大学 一种基于车辆轨迹数据的司机画像构建方法
CN115757986B (zh) * 2022-11-23 2023-10-03 重庆大学 一种乡村生活圈感知画像的方法、装置和介质
CN115600840A (zh) * 2022-12-07 2023-01-13 南方电网数字电网研究院有限公司（Cn） 用户群体碳排放动态画像模型构建方法、装置及设备
CN116523310B (zh) * 2023-04-28 2023-11-14 中交一公局第七工程有限公司 用于城市地下管网的危险源识别系统及方法
CN117633254B (zh) * 2024-01-26 2024-04-05 武汉大学 一种基于知识图谱的地图检索用户画像构建方法和系统
CN118041687B (zh) * 2024-04-08 2024-06-25 国网浙江省电力有限公司杭州供电公司 一种基于网口封堵设备的感知安全防护系统及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001015001A2 (en) * 1999-08-23 2001-03-01 General Electric Company Apparatus and method for managing a fleet of mobile assets
CN105005700A (zh) * 2015-07-21 2015-10-28 河海大学 一种基于熵值和内外权重的沉降危害度区划方法
CN107547633A (zh) * 2017-07-27 2018-01-05 腾讯科技（深圳）有限公司 一种用户常驻点的处理方法、装置和存储介质
CN108391235A (zh) * 2018-02-13 2018-08-10 中国联合网络通信集团有限公司 一种数据分析方法及装置
WO2019103208A1 (ko) * 2017-11-24 2019-05-31 ㈜리얼타임테크 다중 분산 영상 데이터 분석 장치
CN109934634A (zh) * 2019-03-16 2019-06-25 义乌市腾飞汽车代驾服务有限公司 地图网格排名方法、装置、系统、计算机设备和存储介质
CN109947826A (zh) * 2019-03-29 2019-06-28 山东浪潮云信息技术有限公司 一种运用大数据技术构建区域画像分析模型的方法
CN110413855A (zh) * 2019-07-11 2019-11-05 南通大学 一种基于出租车下客点的区域出入口动态提取方法
CN110569321A (zh) * 2019-07-23 2019-12-13 平安科技（深圳）有限公司 基于城市地图的网格划分处理方法、装置和计算机设备
CN111832966A (zh) * 2020-07-24 2020-10-27 山东中医药大学 中医类医院区域画像构建方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130268232A1 (en) * 2012-04-10 2013-10-10 Qualcomm Incorporated Informative Display for Statistical Positioning System
US10387457B2 (en) * 2014-06-17 2019-08-20 Sap Se Grid-based analysis of geospatial trajectories
CN109741629A (zh) * 2018-12-21 2019-05-10 平安科技（深圳）有限公司 用户画像实时构建方法、系统、计算机设备及存储介质
CN111178932A (zh) * 2019-11-26 2020-05-19 深圳壹账通智能科技有限公司 用户地理画像生成方法、装置、计算机设备和存储介质
CN111311784A (zh) * 2020-03-04 2020-06-19 深圳市物语智联科技有限公司 用户画像确定方法、装置、计算机设备及存储介质
CN112417273B (zh) * 2020-11-17 2022-04-19 平安科技（深圳）有限公司 区域画像图生成方法、装置、计算机设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001015001A2 (en) * 1999-08-23 2001-03-01 General Electric Company Apparatus and method for managing a fleet of mobile assets
CN105005700A (zh) * 2015-07-21 2015-10-28 河海大学 一种基于熵值和内外权重的沉降危害度区划方法
CN107547633A (zh) * 2017-07-27 2018-01-05 腾讯科技（深圳）有限公司 一种用户常驻点的处理方法、装置和存储介质
WO2019103208A1 (ko) * 2017-11-24 2019-05-31 ㈜리얼타임테크 다중 분산 영상 데이터 분석 장치
CN108391235A (zh) * 2018-02-13 2018-08-10 中国联合网络通信集团有限公司 一种数据分析方法及装置
CN109934634A (zh) * 2019-03-16 2019-06-25 义乌市腾飞汽车代驾服务有限公司 地图网格排名方法、装置、系统、计算机设备和存储介质
CN109947826A (zh) * 2019-03-29 2019-06-28 山东浪潮云信息技术有限公司 一种运用大数据技术构建区域画像分析模型的方法
CN110413855A (zh) * 2019-07-11 2019-11-05 南通大学 一种基于出租车下客点的区域出入口动态提取方法
CN110569321A (zh) * 2019-07-23 2019-12-13 平安科技（深圳）有限公司 基于城市地图的网格划分处理方法、装置和计算机设备
CN111832966A (zh) * 2020-07-24 2020-10-27 山东中医药大学 中医类医院区域画像构建方法及系统

Also Published As

Publication number Publication date
WO2022105111A1 (zh) 2022-05-27
CN112417273A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
CN112417273B (zh) 区域画像图生成方法、装置、计算机设备及存储介质
CN111523414A (zh) 人脸识别方法、装置、计算机设备和存储介质
CN109191846B (zh) 一种交通出行流量预测方法
CN109635056B (zh) 用电地址数据处理方法、装置、计算机设备和存储介质
CN113505537A (zh) 楼宇能耗检测方法、装置、计算机设备和存储介质
CN111797188B (zh) 一种基于开源地理空间矢量数据的城市功能区定量识别方法
CN112417315A (zh) 基于网站注册的用户画像生成方法、装置、设备和介质
CN111259167B (zh) 用户请求风险识别方法及装置
CN111026938B (zh) 时空大数据整合分析方法、装置、设备及存储介质
CN110580507B (zh) 一种城市肌理分类识别方法
CN113707296B (zh) 医疗方案数据处理方法、装置、设备及存储介质
CN111178714A (zh) 亲密度确定方法、装置、计算机设备和存储介质
CN110599301A (zh) 车辆管理方法、装置、计算机设备和存储介质
CN112148821B (zh) 一种城市混合职住空间计算方法和系统
CN117763126A (zh) 知识检索方法、设备、存储介质及装置
CN115587694B (zh) 用于房屋租金批量评估的数据处理方法、装置及设备
CN116340781A (zh) 相似度确定方法、相似度预测模型训练方法及装置
CN111401055B (zh) 从金融资讯提取脉络信息的方法和装置
CN111506879B (zh) 一种基于多源感知数据的人口空间化测算方法、装置
CN109635057B (zh) 用电业务处理方法、装置、计算机设备和存储介质
CN112732423A (zh) 流程迁移方法、装置、设备及介质
CN116883755B (zh) 一种乡村建设环境监测方法、系统、设备及存储介质
CN114385884B (zh) 一种公交乘客居住地分布预测方法、终端设备及存储介质
Han et al. Holistic visual data representation for built environment assessment
CN110727793B (zh) 区域识别的方法、装置、终端和计算机可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant